生物传感器模型的师生领域自适应
本文提出一种用于领域自适应的方法,不需要转录数据,而是使用源域和目标域的无标记平行数据,利用教师 / 学生学习方法在目标域中训练模型,并在两种场景下进行评估,实现了显著的准确率提升,尤其是当使用模拟训练数据时,增加了模型的鲁棒性。
Aug, 2017
本研究提出一种基于知识蒸馏的领域自适应技术,针对多源无监督情感分析数据集,在考虑多个教师及其领域专业性的基础上,实现了最优结果,并提出一种可信度度量方法,用于选择高置信度示例及解决单一源情况下的领域适应问题。
Feb, 2017
综述小规模和高度异质的生物学数据中的领域自适应方法,探讨了领域自适应在生物研究中的好处、挑战以及通过关键代表性方法进行的批判性讨论,提出了将领域自适应技术纳入计算生物学家的工具箱,并进一步开发定制方法的观点。
May, 2024
通过跨领域适应技术,结合监督对比学习方法,本研究在呼吸音分类领域取得了显著进展,成功减少了不同电子听诊器录制的呼吸音之间的领域依赖并实现了 61.71% 的 ICBHI 得分,相较于基线模型的 2.16% 有了显著提升。
Dec, 2023
介绍了机器学习在医学图像分析中的应用以及领域适应(domain adaptation)的最新进展,详细分类与总结了分为浅层模型和深层模型,分别包含有监督、半监督和无监督学习的领域适应模型,并简要总结了领域适应方法在医学图像数据集上的表现。
Feb, 2021
我们提出了一个两阶段框架,利用伪标签进行领域自适应,以提高从 CT 扫描中检测 COVID-19 的速度和准确性。通过利用一个领域的注释数据和另一个领域的非注释数据,该模型克服了在新兴健康危机中普遍存在的数据稀缺和变异挑战。生成伪标签的创新方法使得模型能够迭代地改进学习过程,从而提高其在不同医院和医疗中心的适应性和精度。在 COV19-CT-DB 数据库上的实验结果展示了该模型在高诊断精度方面的潜力,极大地促进了高效的患者管理,并减轻了医疗系统的压力。我们的方法在 COVID-19 领域适应挑战的验证集上取得了 0.92 的宏 F1 得分。
Mar, 2024
本论文提出了一种新的深度架构领域适应方法,可通过大量源域标记数据和大量目标域未标记数据的训练而实现。在提出的方法中,深层特征在源域的主要学习任务上是有区分性的,而且对于域之间的变化具有不变性。而通过增加几个标准层和简单的梯度反转层的方法可以实现该适应行为,并且此方法在图像分类实验中表现非常出色。
Sep, 2014
研究表明,对于训练和测试领域不匹配的情况下,当前的语音识别系统会显示出较大的性能下降。自我训练方法可以帮助解决这个问题,并在域漂移的情况下使模型适应。本文调查了在测试集上进行噪声学生教师训练作为测试时自适应方法的效益,类似于语言模型的动态评估方法,它可以在话语边界之间传递信息并作为一种域适应方法。实验中使用了一系列领域内和领域外数据集,展示了高达 32.2%的相对增益。有趣的是,我们的方法显示出比典型的自我训练设置使用单独的适应数据的更大增益。
Jun, 2024
本文综述了最新的单源深度无监督域适应方法,主要集中在视觉任务中,并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述,然后总结和比较了不同类别的单源无监督域适应方法,包括基于差异性的方法,对抗式鉴别方法,对抗式生成方法和自监督方法,并探讨了未来的研究方向、挑战和可能的解决方案。
Sep, 2020